Hume AI、音声の感情や特徴を直接判定する「Audio Decision API」公開
Hume AIは生の音声データを直接解析して感情や音の特徴を判定する「Audio Decision API」を発表した。文字起こしを介さず、「顧客が苛立っているか」「AI音声か」といった質問に構造化スコアで即答し、4万件の録音データを数分で検索できる。テキストには残らないため息やトーンをリアルタイムで捉えられるのが強みだ。
Hume AI
Hume AI、音声モデル「TADA」をオープンソース公開：5倍高速でスマホ動作に対応
Hume AI は音声言語モデル「TADA」をオープンソース公開した。テキストと音響表現を 1 対 1 で同期させる構造により、従来の LLM ベース TTS より 5 倍以上高速化し、1000 以上のテストで幻覚ゼロを記録。2048 トークンで約 700 秒の音声を処理でき、スマホなど端末単体でも動作する。
Hume AIが「Octave 2」発表：生成遅延200ms未満、価格半額で11言語対応
Hume AIは次世代音声AIモデル「Octave 2」を発表しました。日本語を含む11言語に対応し、生成遅延は200ミリ秒未満と従来より40%高速化、価格も半額に抑えています。感情豊かなトーンの再現に加え、音素単位の編集やボイスチェンジ機能も備えています。
Hume AIが音声モデル「EVI 3」公開、声だけでなく話し方まで再現
Hume AIは新型Speech-to-Speechモデル「EVI 3」とTTSを発表した。単なる声色の複製にとどまらず、話し方や言葉遣いのスタイルまで模倣する「パーソナリティ・クローニング」に対応。より本人らしいリアルな音声対話を実現する。
Hume AIがEVI 3を発表：プロンプトで声と性格を自在に生成
Hume AIは第3世代の音声言語基盤モデル「EVI 3」を発表しました。音声認識・対話・発話を単一モデルで処理し、プロンプト一つで自由な声質と性格を即座に生成可能です。ブラインド比較テストでは、共感性や自然さにおいてGPT-4oを上回る評価を獲得しています。
Hume AIがOctaveを発表：文脈や皮肉を理解して演じ分ける音声LLM
Hume AIは文脈を理解する音声言語モデル「Octave」を公開した。単なるテキスト読み上げを超え、皮肉や恐怖などの感情やキャラクター設定を解釈して声色や抑揚を演じ分ける。盲検テストではElevenLabsを上回る評価を得た。
Humeが「Voice Control」公開：10個のスライダーで理想のAI音声を自在に調整
Hume AIはEVI 2向けのベータ機能「Voice Control」を発表した。音声クローンやプロンプト入力に頼らず、自信や鼻声など10種類の特性スライダーを動かすだけで、再現性のある独自音声をリアルタイムに生成できる。極端な設定での音質は現在改善中だという。
Hume AI、音声アプリを公開 EVI 2とClaude 3.5 Haikuを統合、登録不要で対話可能
Hume AIは、自社開発の音声言語モデル「EVI 2」と「Claude 3.5 Haiku」を組み合わせたブラウザ向けAI音声アプリを公開した。アカウント登録不要でマイクから直接、様々な性格のAIと対話できる。事実の回答は正確な一方、ストーリーテリングでは重複や声の乱れも報告されている。